[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-taspinar--siml":3,"tool-taspinar--siml":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",145895,2,"2026-04-08T11:32:59",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":76,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":104,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":134},5586,"taspinar\u002Fsiml","siml","Machine Learning algorithms implemented from scratch","siml 是一个致力于“从零实现”机器学习算法的开源项目。它收录了线性回归、逻辑回归、朴素贝叶斯、感知机等经典算法，并特别结合了小波变换等信号分析技术，提供了丰富的应用案例。\n\n长期以来，学术文献中复杂的术语和公式往往让人误以为机器学习高不可攀。siml 旨在打破这一迷思，它剥离了冗余的数学包装，将算法核心还原为简洁易懂的代码，证明机器学习其实既有趣又简单。通过该项目，用户不仅能直接调用算法，还能透过代码深入理解其背后的数学原理与逻辑推导。\n\n此外，siml 配套了大量详细的 Jupyter Notebook 教程，不仅逐步拆解基础算法的数学细节，还展示了如何利用小波变换处理时间序列、分类心电图信号等进阶场景，实现了理论与实战的无缝衔接。\n\n这款工具非常适合希望深入理解算法本质的开发者、数据科学初学者以及研究人员使用。如果你不满足于仅仅调用现成的黑盒库，而是想亲手构建并透彻掌握机器学习的底层逻辑，siml 将是你理想的学习伴侣和实践工具箱。","# Synopsis\n\nThis repository contains popular Machine Learning algorithms, which have been introduced in various blog posts (http:\u002F\u002Fataspinar.com). Most of the algorithms are accompanied with blog-posts in which I try to explain the mathematics behind and the interpretation of these algorithms. \n\n\n# Motivation\nMachine Learning is fun! But more importantly, Machine Learning is easy. \nBut the academic literature or even (wikipedia-pages) is full with unnecessary complicated terminology, notation and formulae. This gives people the idea that these ML algorithms can only be understood with a full understanding of advanced math and statistics. Stripped from all of these superfluous language we are left with simple maths which can be expressed in a few lines of code. \n\n# Notebooks explaining the mathematics\nI have also provided some notebooks, explaining the mathematics of some Machine Learning algorithms. \n+ [Linear Regression and Logistic Regression](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FLinear%20Regression%2C%20Logistic%20Regression.ipynb)\n+ [Naive Bayes Classification](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FNaive_Bayes.ipynb)\n+ [Perceptron Classification](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FPerceptron.ipynb)\n\n+ [Classification with Scikit-Learn](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fscikit_classification.ipynb)\n+ [Machine Learning with Signal Analysis techniques](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FMachine%20Learning%20with%20Signal%20Processing%20techniques.ipynb)\n+ [Time-series forecasting with signal analysis techniques](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FTime%20Series%20forecasting%20with%20Stochastic%20Signal%20Analysis.ipynb)\n\n# Notebooks explaining Machine Learning with the Wavelet Transform\n+ [Introduction to PyWavelets (for Wavelet Analysis](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV1%20-%20Using%20PyWavelets%20for%20Wavelet%20Analysis.ipynb)\n+ [Using Wavelets to Visualize the Scaleogram, time-axis and Fourier Transform](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV2%20-%20Visualizing%20the%20Scaleogram%2C%20time-axis%20and%20Fourier%20Transform.ipynb)\n+ [Classification of signals using the Continuous Wavelet Transform and Convolutional Neural Networks](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV3%20-%20Classification%20of%20signals%20using%20the%20CWT%20and%20CNN.ipynb)\n+ [Classification of ECG signals using the Discrete Wavelet Transform and Gradient Boosting](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV4%20-%20Classification%20of%20ECG%20signals%20using%20the%20Discrete%20Wavelet%20Transform.ipynb)\n+ [Classification of signals using the Discrete Wavelet Transform and several classifiers](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV5%20-%20Classification%20of%20the%20UCI-HAR%20dataset%20using%20Discrete%20Wavelet%20Transform..ipynb)\n\n# Installation\nTo install **siML**:\n```python\n(sudo) pip install siml\n```\n\nor you can clone the repository and in the folder containing setup.py\n```python\npython setup.py install\n```\n\n\n# Code Example\nTODO\n","# 概述\n\n本仓库包含了多篇博客文章（http:\u002F\u002Fataspinar.com）中介绍的常用机器学习算法。大多数算法都配有相应的博客文章，我在其中尝试解释这些算法背后的数学原理及其含义。\n\n# 动机\n机器学习很有趣！更重要的是，机器学习其实很简单。然而，学术文献甚至维基百科页面往往充斥着不必要的复杂术语、符号和公式，这让人误以为只有精通高等数学和统计学才能理解这些机器学习算法。如果去掉这些多余的表达，剩下的只是简单的数学知识，只需几行代码就能实现。\n\n# 解释数学原理的笔记本\n我还提供了一些笔记本，用于解释部分机器学习算法的数学原理：\n+ [线性回归与逻辑回归](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FLinear%20Regression%2C%20Logistic%20Regression.ipynb)\n+ [朴素贝叶斯分类](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FNaive_Bayes.ipynb)\n+ [感知机分类](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FPerceptron.ipynb)\n\n+ [使用Scikit-Learn进行分类](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fscikit_classification.ipynb)\n+ [结合信号分析技术的机器学习](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FMachine%20Learning%20with%20Signal%20Processing%20techniques.ipynb)\n+ [利用信号分析技术进行时间序列预测](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FTime%20Series%20forecasting%20with%20Stochastic%20Signal%20Analysis.ipynb)\n\n# 使用小波变换解释机器学习的笔记本\n+ [PyWavelets简介（用于小波分析）](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV1%20-%20Using%20PyWavelets%20for%20Wavelet%20Analysis.ipynb)\n+ [利用小波可视化尺度图、时间轴及傅里叶变换](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV2%20-%20Visualizing%20the%20Scaleogram%2C%20time-axis%20and%20Fourier%20Transform.ipynb)\n+ [使用连续小波变换和卷积神经网络对信号进行分类](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV3%20-%20Classification%20of%20signals%20using%20the%20CWT%20and%20CNN.ipynb)\n+ [使用离散小波变换和梯度提升树对心电图信号进行分类](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV4%20-%20Classification%20of%20ECG%20signals%20using%20the%20Discrete%20Wavelet%20Transform.ipynb)\n+ [使用离散小波变换及多种分类器对信号进行分类](https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fblob\u002Fmaster\u002Fnotebooks\u002FWV5%20-%20Classification%20of%20the%20UCI-HAR%20dataset%20using%20Discrete%20Wavelet%20Transform..ipynb)\n\n# 安装\n要安装 **siML**：\n```python\n(sudo) pip install siml\n```\n\n或者您可以克隆仓库，并在包含 setup.py 的文件夹中运行：\n```python\npython setup.py install\n```\n\n\n# 代码示例\n待办事项","# siml 快速上手指南\n\nsiml 是一个专注于简化机器学习算法理解的开源项目。它剥离了学术文献中复杂的术语和符号，通过简洁的代码实现核心数学逻辑，并配套详细的 Notebook 教程，帮助开发者直观掌握线性回归、朴素贝叶斯、小波变换等算法原理。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux、macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.6 及以上版本\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   基础科学计算库（安装时会自动处理，如 `numpy`, `scipy`, `matplotlib`, `scikit-learn`, `PyWavelets` 等）\n\n> **提示**：建议在使用前创建虚拟环境（如 `venv` 或 `conda`）以避免依赖冲突。\n\n## 安装步骤\n\n您可以通过 PyPI 直接安装，或通过源码安装。\n\n### 方式一：使用 pip 安装（推荐）\n\n打开终端或命令行工具，执行以下命令：\n\n```bash\npip install siml\n```\n\n*如果您在中国大陆地区，建议使用国内镜像源以加速下载：*\n\n```bash\npip install siml -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n若遇到权限问题，请在命令前加上 `sudo` (Linux\u002FmacOS) 或以管理员身份运行 (Windows)：\n\n```bash\nsudo pip install siml\n```\n\n### 方式二：源码安装\n\n如果您需要最新代码或进行二次开发，可以克隆仓库并安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml.git\ncd siml\npython setup.py install\n```\n\n## 基本使用\n\nsiml 的核心价值在于其配套的 **Jupyter Notebooks**，这些笔记本详细解释了算法背后的数学原理并提供了可运行的代码示例。安装完成后，建议您直接查看项目中的 Notebook 文件来开始学习。\n\n以下是几个核心学习路径的简要指引：\n\n### 1. 基础算法原理\n运行以下 Notebook 了解线性回归、逻辑回归及朴素贝叶斯的数学推导与代码实现：\n*   `notebooks\u002FLinear Regression, Logistic Regression.ipynb`\n*   `notebooks\u002FNaive_Bayes.ipynb`\n*   `notebooks\u002FPerceptron.ipynb`\n\n### 2. 信号分析与小波变换\nsiml 特色在于结合信号处理技术进行机器学习。您可以参考以下教程：\n*   **小波分析入门**：`notebooks\u002FWV1 - Using PyWavelets for Wavelet Analysis.ipynb`\n*   **可视化尺度图**：`notebooks\u002FWV2 - Visualizing the Scaleogram, time-axis and Fourier Transform.ipynb`\n*   **实战案例**：利用连续小波变换 (CWT) 结合 CNN 进行信号分类 (`WV3`)，或使用离散小波变换 (DWT) 处理 ECG 信号 (`WV4`)。\n\n### 代码示例结构\n虽然具体的代码实现因算法而异，但典型的使用流程如下（以调用内部算法为例）：\n\n```python\n# 导入相应的算法模块 (具体模块名请参考对应 Notebook)\nfrom siml.algorithms import YourAlgorithmName \n\n# 初始化模型\nmodel = YourAlgorithmName()\n\n# 准备数据 (X 为特征，y 为标签)\n# X, y = load_your_data()\n\n# 训练模型\nmodel.fit(X, y)\n\n# 进行预测\npredictions = model.predict(X_test)\n```\n\n> **注意**：由于该项目侧重于教学演示，最直接的“使用”方式是下载并运行 `notebooks` 目录下的 `.ipynb` 文件，跟随步骤逐步执行代码块，观察数学公式如何转化为几行简单的 Python 代码。","一位数据科学讲师正在准备机器学习课程，希望向学生展示线性回归和信号分类算法的底层数学逻辑，而非仅仅调用黑盒库。\n\n### 没有 siml 时\n- 学生面对学术文献中繁杂的术语、符号和公式，误以为必须精通高深数学才能理解算法，产生畏难情绪。\n- 讲师难以找到既包含完整数学推导又配有简洁代码实现的开源案例，只能手动从零编写教学代码，耗时费力。\n- 在讲解小波变换（Wavelet Transform）处理心电图（ECG）信号等进阶内容时，缺乏将信号分析与机器学习结合的具体演示笔记本。\n- 现有的成熟框架（如 Scikit-Learn）封装过度，隐藏了核心计算过程，无法满足“透视算法内部机制”的教学需求。\n\n### 使用 siml 后\n- 学生通过 siml 提供的极简代码实现，发现剥离冗余术语后，复杂的机器学习算法仅需几行数学公式即可表达，学习信心大增。\n- 讲师直接复用仓库中现成的 Jupyter Notebook，这些笔记详细拆解了从朴素贝叶斯到感知机的数学原理，备课效率显著提升。\n- 借助 siml 中关于小波变换的专项教程，讲师能直观演示如何利用连续\u002F离散小波变换提取特征并结合 CNN 或梯度提升树进行信号分类。\n- 课程从单纯的“调用 API\"转变为“理解本质”，学生能够清晰看到数据如何在简单的数学运算中转化为预测结果。\n\nsiml 的核心价值在于打破数学恐惧，用透明、精简的代码实现让机器学习的底层逻辑变得触手可及且易于传授。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaspinar_siml_4764ee86.png","taspinar","Ahmet Taspinar","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftaspinar_5822555f.jpg","Physicist disguised as a Data Scientist. Blogging at http:\u002F\u002Fwww.ataspinar.com",null,"Schiedam","http:\u002F\u002Fwww.ataspinar.com","https:\u002F\u002Fgithub.com\u002Ftaspinar",[81,85],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",99.1,{"name":86,"color":87,"percentage":88},"Python","#3572A5",0.9,520,264,"2026-03-24T20:22:31","MIT",1,"","未说明",{"notes":97,"python":95,"dependencies":98},"该项目主要通过 Jupyter Notebook 演示机器学习算法数学原理及小波变换应用。安装方式支持 pip 直接安装或源码安装 (python setup.py install)。具体依赖版本未在 README 中明确列出，但根据内容推断需要科学计算栈 (numpy, scipy) 及小波分析库 (PyWavelets)。",[99,100,101,102,103],"numpy","scipy","matplotlib","scikit-learn","PyWavelets",[14,105],"其他","2026-03-27T02:49:30.150509","2026-04-09T01:04:25.655666",[109,114,119,124,129],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},25345,"在 Python 3 中运行朴素贝叶斯代码时出现 'dict_values' object has no attribute 'index' 错误，如何解决？","这是因为原始代码是为 Python 2.7 编写的，在 Python 2 中字典的 .values() 和 .keys() 返回的是列表，而在 Python 3+ 中返回的是视图对象（view object），不支持 index 方法。解决方法是将它们显式转换为列表。修改 get_max_value_key 函数如下：\n\ndef get_max_value_key(self, d1):\n    values = d1.values()\n    keys = d1.keys()\n    max_value_index = list(values).index(max(values))\n    max_key = list(keys)[max_value_index]\n    return max_key","https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fissues\u002F8",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},25346,"如何处理每个样本具有不同时间长度（varying recording time）的多通道信号数据（如 EEG）？","针对此类问题通常分为两步处理：\n1. 通道处理：每个通道应独立处理。如果有 N 个通道，每个通道产生 K 个特征，则总共会产生 N*K 个特征。\n2. 样本长度不一的处理：取决于长度变化的程度。可以将每个样本分割成相同长度的子样本（subsamples）。这些子样本可以是重叠的，也可以是不重叠的，以便统一输入维度。","https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fissues\u002F2",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},25347,"运行分类代码时报错 'ValueError: This solver needs samples of at least two classes'，原因是什么？","该错误表示数据集中只包含一个类别的标签，而分类求解器至少需要两个类别。通常是因为代码中指定的标签列（例如 'Type'）与实际数据集不符，或者该列中的数据实际上只有一种值。请检查代码中 y_col = 'Type' 这一行，将 'Type' 替换为你数据集中实际包含类别标签的列名，并确保该列中包含至少两个不同的类别值。","https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fissues\u002F1",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},25348,"运行小波变换（Scalogram）代码时出现 'ValueError: not enough values to unpack (expected 4, got 2)' 错误，如何修复？","这是因为 pywt.cwt() 函数当前版本只返回 2 个对象（系数和频率），而不是旧版本或作者本地版本中的 4 个对象。需要修改解包代码，只接收返回的两个值。将代码：\n[coefficients, frequencies,_,_] = pywt.cwt(signal, scales, waveletname, dt)\n修改为：\ncoefficients, frequencies = pywt.cwt(signal, scales, waveletname, dt)","https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fissues\u002F5",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},25349,"在机器学习笔记本中，测试集形状解包时使用了错误的变量名导致逻辑错误，应如何修正？","这是一个代码拼写错误。在获取测试集形状时，代码错误地再次使用了 train_signals 变量。应将：\n[no_signals_test, no_steps_test, no_components_test] = np.shape(train_signals)\n修正为：\n[no_signals_test, no_steps_test, no_components_test] = np.shape(test_signals)\n以确保正确读取测试数据的维度。","https:\u002F\u002Fgithub.com\u002Ftaspinar\u002Fsiml\u002Fissues\u002F3",[]]